深度学习应对推荐系统中的候选生成与冷启动挑战：研究综述

在机器学习的商业应用中，推荐系统在成功与采用度方面位居前列。它们帮助用户加速搜索过程，同时帮助企业最大化销售。在计算机视觉与语音识别取得惊人成功后，深度学习方法开始应用于推荐系统。当前关于推荐系统中深度学习的综述论文基于类型提供了推荐系统的历史概述与分类法。我们的论文弥补了以下空白：提供深度学习方法的分类法，以应对推荐系统在冷启动与候选生成方面的问题。我们将推荐系统中的不同挑战划分为与推荐本身相关的（包括相关性、速度、准确性与可扩展性）、与数据性质相关的（冷启动问题、不平衡与稀疏性）以及候选生成。随后我们提供了应对这些挑战的深度学习技术分类法。深度学习技术被映射到推荐系统中的不同挑战，概述了如何利用深度学习技术应对它们。我们贡献了应对推荐系统中冷启动与候选生成问题的深度学习技术分类法。冷启动通过附加特征（用于音频、图像、文本）以及学习隐式的用户与物品表示来解决。候选生成已通过独立网络、RNN、自编码器与混合方法来解决。我们还总结了这些技术的优势与局限，并概述了未来研究的领域。